一种基于自适应熵值权重的电力物联网智能终端可信计算信任值获取方法与流程

1.本发明涉及一种电力物联终端可信计算方法，更进一步涉及电力物联网智能终端可信计算信任值获取方法，特别涉及一种基于自适应熵值权重的电力物联网智能终端可信计算信任值获取方法。


背景技术：

2.电力物联网(power internet of things，piot)的可靠性与安全性问题随着能源互联网技术和电力市场的发展变得愈发关键。传统的加密和认证方案主要用于防御外部攻击，不能有效抵抗由受感染设备发起的内部攻击。信任管理被认为是解决电力物联网内部安全问题的有效途径，然而现有的网络信任管理方案大多数是从某一节点的角度对客体进行评价，不能很好的反映客体在整个网络中的整体信誉情况，存在一定的片面性。因此，如何计算已经接入电力物联网的各类智能终端设备在网络中的信任值，及时发现并抵御来自网络内部的攻击行为，维护piot网络安全，成为一个亟待解决的问题。
3.本发明所提供的智能终端可信计算信任值获取方法既根据终端在网络中的交互特点，又根据不可信终端发起的网络内部攻击特性，通过自适应熵值权重构造终端在网络中的综合信任值，大大提高了识别准确度。


技术实现要素：

4.本发明所要解决的技术问题是，提供一种电力物联网智能终端可信计算信任值获取方法，根据终端间历史交互情况进行合理信誉度评价，提高发起网络内部攻击的不可信终端识别准确度。
5.本发明所采用的技术方案是：一种基于自适应熵值权重的电力物联网智能终端可信计算信任值获取方法，包括有如下阶段：
6.1)信任值初始化：定义电力物联网智能终端i对终端j评价得到的完整信任值为t
ij
，t
ij
越接近1表示j的信誉度越高，将初始状态终端的信任值均设为0.5，即认为终端设备一定程度上可信；
7.2)信任值参数提取：电力物联网中的智能终端之间根据应用需求进行交互合作，以终端之间通信信道建立时间t和通信数据量q为标准判断交互是否成功，交互结果定义为终端i与终端j之间的累计交互成功次数s
ij
与累计交互失败次数f
ij
为计算信任值所需的参数，终端在每次交互后记录此次交互的结果，生成信任参数后本地存储并随着交互进行不断更新；
8.3)直接信任值计算：评价主体终端i根据历史交互情况对评价客体终端j进行的直接信誉评价结果记为直接信任值d
ij
，以β分布作为信任的统计概率模型，能与信誉分布很好
拟合，其概率密度函数为：采用概率密度函数的数学期望作为终端评价的直接信任值，计算方法为：
9.4)子间接信任值计算：间接信任值为i从推荐终端x处获取的对j的间接信誉评价，推荐终端x为与i和j都能发生交互的终端，计算来自推荐终端x的子间接信任值：
10.5)子间接信任值自适应权重计算：若i对j进行评价时，有n个推荐终端，根据步骤4)可以得到n个子间接信任值，每个子间接信任值的熵值为用熵值构建子间接信任值的自适应权重：
[0011][0012]
6)间接信任值计算：根据步骤5)得到的子间接信任值的自适应权重以及步骤4)得到的子间接信任值，计算i对j的间接信任值为
[0013]
7)直接信任值与间接信任值自适应权重计算：根据步骤3)得到的直接信任值的熵值为h(d
ij
)＝
‑
d
ij
log2d
ij
‑
(1
‑
d
ij
)log2(1
‑
d
ij
)，根据步骤6)得到的间接信任值的熵值为h(r
ij
)＝
‑
r
ij
log2r
ij
‑
(1
‑
r
ij
)log2(1
‑
r
ij
)，用熵值构建直接信任值的自适应权重为用熵值构建间接信任值的自适应权重为
[0014]
8)完整信任值计算：根据步骤7)得到的直接信任值与间接信任值的自适应权重以及步骤3)和步骤6)得到的直接信任值和间接信任值，计算i对j的完整信任值为：
[0015]
t
ij
＝w
d
×
d
ij
w
r
×
r
ij
[0016]
9)完整信任值自适应权重计算：若有m个评价主体终端对j进行评价，根据步骤8)可以得到m个完整信任值，每个完整信任值的熵值为h(t
ij
)＝
‑
t
ij
log2t
ij
‑
(1
‑
t
ij
)log2(1
‑
t
ij
)，用熵值构建完整信任值的自适应权重：
[0017][0018]
10)综合信任值计算：根据步骤9)得到的完整信任值的自适应权重以及步骤8)得到的完整信任值，计算网络对j的综合信任值为
[0019]
有益效果
[0020]
本发明的一种基于自适应熵值权重的电力物联网智能终端可信计算信任值获取方法，具有如下特点：
[0021]
电力物联网智能终端在多能源形式互联与广泛的用户和用电设备交互业务中容易受到开关攻击、共谋攻击、诽谤攻击等网络内部攻击，对网络带来极大的安全隐患。针对传统信任评价体系仅考虑单一评价主体的历史交互记录造成信任值不能反映客体在网络中整体信誉情况的不足之处，本发明充分考虑电力物联网智能终端在网络中的交互特点以及不可信终端发起的网络内部攻击特性，提出一种基于自适应熵值权重的电力物联网智能终端可信计算信任值获取方法。首先通过基于β分布的信誉度统计概率模型计算直接信任值，然后采用熵值构造来自不同推荐终端的子间接信任值自适应权重，针对仅由直接信任值和间接信任值构成的完整信任值评价片面问题，引入以自适应熵值权重构造的多评价主体综合信任值，提升识别准确性。通过实验数据分析，本发明方法比现有算法在不同终端密度和不同恶意节点比例下都具有更高的精确率与召回率。
附图说明
[0022]
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本技术的一部分，并不构成对本发明实施例的限定。在附图中：
[0023]
图1是综合信任值建立路径示意图；
[0024]
图2是算法实现流程；
[0025]
图3是不同终端密度下的精确率与召回率；
[0026]
图4是不同恶意终端比例下的精确率与召回率。
具体实施方式
[0027]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0028]
本发明的一种基于自适应熵值权重的电力物联网智能终端可信计算信任值获取方法，前期先通过基于β分布的信誉度统计概率模型计算直接信任值，接着采用熵值构造来自不同推荐终端的子间接信任值自适应权重，最后引入以自适应熵值权重构造的多评价主体综合信任值，解决仅由直接信任值和间接信任值构成的完整信任值评价片面问题，提升识别准确性。
[0029]
步骤一：信任值初始化
[0030]
定义电力物联网智能终端i对终端j评价得到的完整信任值为t
ij
，t
ij
越接近1表示j的信誉度越高，将初始状态终端的信任值均设为0.5，即认为终端设备一定程度上可信，从而既能解决伪造id的问题，又能缩短初始化时间。
[0031]
步骤二：信任值参数提取
[0032]
电力物联网中的智能终端之间根据应用需求进行交互合作，以终端之间通信信道建立时间t和通信数据量q为标准判断交互是否成功，交互结果定义为
[0033][0034]
当终端i与终端j需要进行交互时，如果t小于一定的阈值t
thr
，并且此次交互结束后通信数据量q高于一定的阈值q
thr
，那么定义此次交互为成功的，反之则定义此次交互为失败交互。终端i与终端j之间的累计交互成功次数s
ij
与累计交互失败次数f
ij
为计算信任值所需的参数，终端在每次交互后记录此次交互的结果，生成信任参数后本地存储并随着交互进行不断更新；
[0035]
步骤三：直接信任值计算
[0036]
评价主体终端i根据历史交互情况对评价客体终端j进行的直接信誉评价结果记为直接信任值d
ij
，以β分布作为信任的统计概率模型，能与信誉分布很好拟合，其概率密度函数为：
[0037][0038]
采用β分布概率密度函数的数学期望作为终端评价的直接信任值，计算方法为：
[0039][0040]
步骤四：间接信任值计算
[0041]
1)子间接信任值计算
[0042]
间接信任值为i从推荐终端x处获取的对j的间接信誉评价，推荐终端x为与i和j都能发生交互的终端，来自推荐终端x的子间接可信计算信任值获取方法为：
[0043][0044]
2)子间接信任值自适应权重计算
[0045]
若i对j进行评价时，有n个推荐终端，根据步骤四1)可以得到n个子间接信任值，每个子间接信任值的熵值为：
[0046][0047]
用熵值构建子间接信任值的自适应权重为：
[0048][0049]
3)间接信任值计算
[0050]
根据步骤2)得到的子间接信任值的自适应权重以及步骤四1)得到的子间接信任值，计算i对j的间接信任值为：
[0051][0052]
步骤五：完整信任值计算
[0053]
1)直接信任值与间接信任值自适应权重计算
[0054]
根据步骤三得到的直接信任值的熵值为：
[0055]
h(d
ij
)＝
‑
d
ij
log2d
ij
‑
(1
‑
d
ij
)log2(1
‑
d
ij
)
[0056]
根据步骤四得到的间接信任值的熵值为：
[0057]
h(r
ij
)＝
‑
r
ij
log2r
ij
‑
(1
‑
r
ij
)log2(1
‑
r
ij
)
[0058]
用熵值构建直接信任值的自适应权重为：
[0059][0060]
用熵值构建间接信任值的自适应权重为：
[0061][0062]
2)完整信任值计算
[0063]
根据步骤五1)得到的直接信任值与间接信任值的自适应权重以及步骤三和步骤四得到的直接信任值和间接信任值，计算i对j的完整信任值为：
[0064]
t
ij
＝w
d
×
d
ij
w
r
×
r
ij
[0065]
步骤六：综合信任值计算
[0066]
1)完整信任值自适应权重计算
[0067]
若有m个评价主体终端对j进行评价，根据步骤五可以得到m个完整信任值，每个完整信任值的熵值为：
[0068]
h(t
ij
)＝
‑
t
ij
log2t
ij
‑
(1
‑
t
ij
)log2(1
‑
t
ij
)
[0069]
用熵值构建完整信任值的自适应权重为：
[0070][0071]
2)综合信任值计算
[0072]
根据步骤六1)得到的完整信任值的自适应权重以及步骤五得到的完整信任值，计算网络对j的综合信任值为：
[0073][0074]
为验证本发明的一种基于自适应熵值权重的电力物联网智能终端可信计算信任值获取方法的有效性，采用一个典型的电力无线专网算例进行智能终端信任值计算验证。假设每个智能终端的通信、存储和计算能力相同，分布在600m
×
600m的供电区域，通信半径为60m。为模拟不同终端密度并保证网络简洁性，在逻辑连接中设定智能终端数量为25、100、225时每个终端的邻居数分别为2、4、8。通过调节信任参数，模拟恶意攻击行为，与传统的单一评价主体方案ltmbe进行比较，分析本发明方案的综合信任值评价效果。完整的仿真参数如表1所示。
[0075]
表1仿真参数设置
[0076][0077]
本发明采用在机器学习和信息检索中广泛用于评估准确性的精确率γ和召回率η作为可信计算信任值获取方法的评价指标，这两个参数的定义为：
[0078][0079][0080]
其中，n
true_negtives
为检测出的真恶意终端数，n
false_negtives
为检测出的假恶意终端数，n
false_positives
为未检测出的真恶意终端数。
[0081]
利用本发明的一种基于自适应熵值权重的电力物联网智能终端可信计算信任值
获取方法，分别分析不同终端密度和恶意终端比例下的精确率和召回率。采用统一标准认为综合信任值低于0.7的正常终端为假阳性和信任值高于0.35的恶意终端为假阴性的误判情况。为消除实验数据的随机性，每个实验进行50次运行，取统计结果的平均值。图3为恶意终端比例20％时不同终端密度的仿真结果，图4为终端数量100时不同恶意终端比例的仿真结果。
[0082]
由图3可知，无论是网络中低终端密度还是稠密终端密度，本发明方法的精确率和召回率始终高于对比ltmbe算法。特别地，本发明方法在精确率的上升程度上显著高于对比方法，在终端数量225时精确率能达到76％左右，比ltmbe算法提升近35％。这是因为在考虑多个评价主体的情况下，随着终端密度增加，各主体能从更多的良好终端处获得真实数据，从而大幅提升精确率，体现了综合信任值的有效性。
[0083]
由图4可知，本发明方法的精确率和召回率在不同恶意节点比例下同样始终高于对比方法。随着恶意节点比例逐渐增大，假阳性的正常终端数量越来越低于真阳性的恶意终端数量，因此精确率逐渐上升。尽管召回率逐渐下降，但是仍能在30％恶意节点比例下维持在71％左右的较高水平，说明综合信任值具有较高的评估准确性。